基于FCM-XGBoost的大坝变形预测模型
变形是评价大坝是否安全的重要指标之一.随着变形监测测点的不断增加,实现对所有测点的分析意味着消耗大量时间,往往会出现预报不及时的问题;另一方面,传统机器学习算法的引入虽然提高了预测精度,但参数选取不佳时对结果影响很大且建模过程十分复杂.引入模糊C-均值聚类(FCM)和极端梯度提升算法(XGBoost),首先对大坝的变形测点根据变化规律的相似性进行分区,然后针对每个分区建立XGBoost变形预测模型.以拱坝垂线径向变形监测资料为例,验证了聚类结果的可靠性,并将XGBoost变形预测模型结果与随机森林模型结果对比.结果 表明,XGBoost模型在数据预处理、建模时间及预测精度上,都体现出更大的优势.
大坝变形;预测精度;FCM;XGBoost;测点分区
38
TV698.1(水利枢纽、水工建筑物)
国家重点研发计划项目;国家自然科学基金资助项目
2021-08-23(万方平台首次上网日期,不代表论文的发表时间)
共6页
66-71